Synthèse vocale (text-to-speech)
La synthèse vocale (text-to-speech) est la technologie qui transforme un texte écrit en audio parlé grâce à une voix artificielle, pour qu'un logiciel puisse lire un contenu ou répondre à voix haute.
Définition
La synthèse vocale, souvent abrégée TTS, prend une phrase et génère le son d'une personne qui la prononce. Les premiers systèmes assemblaient des fragments enregistrés et sonnaient de façon robotique. Les voix neuronales actuelles modélisent le rythme, l'accentuation et l'intonation, et peuvent se rapprocher d'un locuteur humain, dans de nombreuses langues et avec un choix de styles de voix.
La qualité s'évalue à l'écoute : la prononciation est-elle correcte, y compris pour les noms et les chiffres, le rythme est-il confortable, l'intonation convient-elle à la phrase, et en combien de temps l'audio démarre-t-il ? Dans une conversation en direct, un délai avant que la voix ne commence se remarque davantage qu'une voix un peu imparfaite. La vitesse, les pauses et le choix de la voix peuvent être réglés selon le public.
La voix compte pour la confiance. Une voix claire et agréable facilite l'échange, tandis qu'une voix plate ou qui écorche les mots fait décrocher. Les voix synthétiques pouvant être très convaincantes, il faut informer les personnes qu'elles parlent à une IA, et ne jamais imiter la voix d'une personne réelle sans son accord.
Points clés
- Elle génère de l'audio parlé à partir d'un texte ; on parle aussi de synthèse de la parole.
- Les voix neuronales modélisent rythme et intonation et sont bien plus naturelles que les anciens systèmes.
- Vérifiez la prononciation des noms, sigles et chiffres dans chaque langue utilisée.
- Le délai de démarrage compte dans une conversation en direct.
- Indiquez quand la voix est artificielle et ne clonez jamais une voix réelle sans accord.
Exemple
Une université conçoit un point de suivi oral pour ses étudiants de première année, en français et en anglais. L'équipe écoute les audios de test et corrige avant le lancement la prononciation du nom de deux campus et de plusieurs sigles de formations.
Questions fréquentes
Quelle différence entre synthèse vocale et transcription vocale ?
Ce sont deux opérations inverses. La synthèse vocale produit de l'audio à partir d'un texte, la transcription produit du texte à partir d'un audio. Un agent vocal IA utilise les deux.
Une voix de synthèse peut-elle sonner humaine ?
Les voix neuronales peuvent être très naturelles, mais elles peuvent encore buter sur des noms rares, des abréviations ou l'émotion. Seuls des tests d'écoute avec vos propres contenus permettent de le vérifier.
Peut-on cacher que la voix est artificielle ?
Il est préférable, et dans certains cas attendu par la loi, d'indiquer aux personnes qu'elles parlent à une IA. Vérifiez les règles qui s'appliquent à vous avec un conseiller juridique.
Termes associés
Conversations IA, décisions humaines
Passisto mène des conversations vocales structurées avec candidats, collaborateurs, clients et étudiants, et les transforme en rapports exploitables.